1.本项目采用百度地图API获取步行时间，基于GBDT模型对排队时间进行预测。实现用户自主选择多个目的地，系统输出最佳路线规划的结果，并根据用户的选择给出智能化推荐。 2.项目运行环境：需要Python 3.6及以上配置。 3.项目包括6个模块：数据预处理、客流预测、百度地图API调用、GUI界面设计、路径规划和智能推荐。选用GBDT建立模型，GBDT通过多轮迭代，每轮迭代产生一个弱分类器，每个分类器在上一轮的残差基础上进行训练；采用GBDT模型进行预测，输入当前天气、温度、风力风向、日期(是否是节假日、星期几)和时间即可得出当前客流量；当前客流量在后续预测排队时做一系列操作即可转换为排队时间；通过调用百度地图API模块产生节点之间的步行时间矩阵和客流模型，应用穷举法设计算法，得出最佳路线规划；系统将用户未选择的地点一次分别加入已选择的队列中进行运算，其基本思路与最佳路线规划模块一致，采用穷举法得到所有路线及其总耗时，最后将它们输出，实现智能推荐。 4.博客：https://blog.csdn.net/qq_31136513/article/details/133018114

神经网络LSTM 时间预测MATLAB源码，RNN全称循环神经网络（Recurrent Neural Networks），是用来处理序列数据的。在传统的神经网络模型中，从输入层到隐含层再到输出层，层与层之间是全连接的，每层之间的节点是无连接的。但是这种普通的神经网络对于很多关于时间序列的问题却无能无力。

基于KNN的室内运动时间序列分类项目源码+数据+超详细注释 通过布置在不同房间的传感器获取到穿戴设备的人的移动数据，预测人的移动轨迹（人在哪个房间），场景见文件夹内示意图 内容包含： 1.数据说明见IndoorMovement\数据说明.txt 2.如何用pandas加载csv，并且画数数据的折线图，柱状图 3.用最小二乘法对数据进行线性拟合，并画出图像 4.数据特征工程:所有MovementAAL_RSS文件中最小的文件包含19条数据，所以默认以19作为数据集维度，故每个文件取最后19条，根据MovementAAL_DatasetGroup中的分组对应关系，将MovementAAL_RSS作为输入，MovementAAL_target作为输出，将文件按关联关系拼成train和test集合 5.将构建好的，维度为19的数据分别代入7种模型进行评估准确性，7种模型分别为LogisticRegression，KNN，DecisionTreeClassifier，SVM，RandomForestClassifier，GradientBoostingClassifier

他的函数 TEMPORAL_PREDICT 获取旧图像和新图像，并找出运动向量（x_motion & y_motion）、时间预测帧（pf）和误差值（E_temporal）。 默认块大小为 8x8，搜索窗口为 16x16，首先计算运动矢量（x_motion 和 y_motion），然后计算预测帧和来自这样一个重构帧的误差（E_temporal）。 Plot_flag=1，绘制图形。 例子： [E,x_motion,y_motion,pf]=spatial_predict(image_old,image_new,1); 添加一名作者https://sites.google.com/site/santhanarajarunachalam/

LSTM-SVFM-RF时间预测序列算法实现

公交车到站时间预测

基于LSTM神经网络对道路通行时间预测源码。基于各个link段上的历史通行时间预测未来132个link上的通行时间。 采用LSTM全连接层神经网络的回归预测。基于LSTM神经网络对道路通行时间预测源码。基于各个link段上的历史通行时间预测未来132个link上的通行时间。 采用LSTM全连接层神经网络的回归预测。基于LSTM神经网络对道路通行时间预测源码。基于各个link段上的历史通行时间预测未来132个link上的通行时间。 采用LSTM全连接层神经网络的回归预测。基于LSTM神经网络对道路通行时间预测源码。基于各个link段上的历史通行时间预测未来132个link上的通行时间。 采用LSTM全连接层神经网络的回归预测。基于LSTM神经网络对道路通行时间预测源码。基于各个link段上的历史通行时间预测未来132个link上的通行时间。 采用LSTM全连接层神经网络的回归预测。基于LSTM神经网络对道路通行时间预测源码。基于各个link段上的历史通行时间预测未来132个link上的通行时间。 采用LSTM全连接层神经网络的回归预测。

Nyc-Taxi-Kaggle-挑战 目标 Kaggle竞赛预测纽约出租车的行驶时间。 该项目的报告在capstone.pdf。 （在这个项目中，我提供了许多链接，如果您是初学者，可以通过这些链接来弄清楚您的概念，如果不理解的话，可以通过project和readme中提供的链接和pdf来了解。） 问题陈述 在本报告中，我们使用来自纽约市出租车和高级轿车委员会的数据来考察Kaggle竞赛，该竞赛要求竞争对手预测纽约市出租车旅行的总行驶时间（trip_duration）。 Kaggle提供的数据是作为CSV文件提供的结构化数据。 CSV文件中的数据包括多种格式：时间戳，文本和数字数据。 这是回归分析，因为输出（总行驶时间）是数字。 我将使用几种机器学习方法来完成预测任务，这些方法是线性回归，k最近邻回归，随机森林和XGBoost。 将使用均方根对数误差对模型进行评估。 总览 我使用Jupyter_Notebook在dekstop上执行此项目，并且在使用python的远程服务器上也无需使用Jupyter_notebook来执行。 软件和库 Python 3 Scikit-learn：Pyt

matlab开发-图像的时间预测。它从一帧中的两个连续图像预测时间图像

针对给定铅酸电池放电的采样数据，预测电池的剩余放电时间为研究目的，通过运用MATLAB软件，画出电池放电曲线，采用曲线拟合的方法，建立电池剩余放电时间的初等函数模型，模型精度用平均相对误差MRE评估。根据所建立的电池放电时间的数学模型，得到如下结论：1）电压从9.8 V降到9.0 V时，电池在不同的恒定电流荷载下，剩余放电时间（min）分别为942，605，434，331，277，251，257，201，187.4；2）电池在恒定电流55 A荷载下的放电曲线是u=-6.998×10-10t3+10.425×10-6t2-0.001356t+10.57； 3）电池在衰减状态3的情况下，剩余放电时间为264.7 min。